Modelo

source("../../lib/som-utils.R")

Attaching package: 'dplyr'
The following objects are masked from 'package:stats':

    filter, lag
The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1

Carga del modelo desde disco

mpr.set_base_path_analysis()
model <- mpr.load_model("som-280.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.043.
plot(model, type="changes")

Carga del dataset de entrada

df <- mpr.load_data("datos_mes.csv.xz")
df
summary(df)
 id_estacion           fecha             fecha_cnt           tmax      
 Length:94881       Length:94881       Min.   : 1.000   Min.   :-53.0  
 Class :character   Class :character   1st Qu.: 4.000   1st Qu.:148.0  
 Mode  :character   Mode  :character   Median : 6.000   Median :198.0  
                                       Mean   : 6.497   Mean   :200.2  
                                       3rd Qu.: 9.000   3rd Qu.:255.0  
                                       Max.   :12.000   Max.   :403.0  
      tmin             precip           nevada           prof_nieve      
 Min.   :-121.00   Min.   :  0.00   Min.   :0.000000   Min.   :   0.000  
 1st Qu.:  53.00   1st Qu.:  3.00   1st Qu.:0.000000   1st Qu.:   0.000  
 Median :  98.00   Median : 10.00   Median :0.000000   Median :   0.000  
 Mean   :  98.86   Mean   : 16.25   Mean   :0.000295   Mean   :   0.467  
 3rd Qu.: 148.00   3rd Qu.: 22.00   3rd Qu.:0.000000   3rd Qu.:   0.000  
 Max.   : 254.00   Max.   :422.00   Max.   :6.000000   Max.   :1834.000  
    longitud        latitud            altitud      
 Min.   :27.82   Min.   :-17.8889   Min.   :   1.0  
 1st Qu.:38.28   1st Qu.: -5.6417   1st Qu.:  42.0  
 Median :40.82   Median : -3.4500   Median : 247.0  
 Mean   :39.66   Mean   : -3.4350   Mean   : 418.5  
 3rd Qu.:42.08   3rd Qu.:  0.4914   3rd Qu.: 656.0  
 Max.   :43.57   Max.   :  4.2156   Max.   :2535.0  

Carga de los mapas

world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")

Mapa de densidad

plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)

Número de elementos en cada celda:

nb <- table(model$unit.classif)
print(nb)

   1    2    3    4    5    6    8    9   10   11   13   14   15   16   17   18 
  46   47   59   23   26   32   13   32   53   60   81   46   45   36   45   17 
  19   20   21   22   23   24   25   26   27   28   29   30   31   32   33   34 
  35   41   25   16   48   63   20   32   54   84   34   73   56   70   65   68 
  35   36   37   38   39   40   41   42   43   44   45   46   47   48   49   50 
  39   68   31   88   86   50   27   75   15   49   52   37   21   70   57   50 
  51   52   53   54   55   56   58   59   60   61   63   65   66   67   68   69 
  30   34   46   20   37   23   49   47   53   33   73   57   55   23   24   31 
  70   71   72   73   74   75   76   77   78   79   80   81   82   83   84   85 
  40   17   31   43   55   63   52   22   28   60   10   42   51   69   89   52 
  86   87   88   89   90   91   92   93   94   95   96   97   98   99  100  101 
  52   60   50   26   29   31   50   44   13   31   44   42   29   57   38   57 
 102  103  104  105  107  114  116  117  118  119  120  121  122  123  124  125 
  55   30   18   31   50   21   25   19   34   39   17   19   11   17   42   61 
 126  127  128  129  130  131  132  133  134  135  136  137  138  139  140  141 
  49   59   86   79   69   98   28   58   52   13   57   43   21   28   30   39 
 142  143  144  146  147  148  149  150  151  152  153  154  155  156  157  159 
  46   41   74   22   47   41   31   57   49   22   46   18   25    2   59   46 
 160  161  162  163  164  165  166  167  168  169  170  171  172  173  174  175 
  38   24   46   37   35   33   44   24   22   43   41   41   17   32   41   33 
 176  177  178  179  180  181  182  183  184  185  186  187  188  189  190  191 
  42   23   66   39   62   42   39   69   39   24   40   68   38   40   26   48 
 192  193  194  195  196  197  198  199  200  201  202  206  208  209  210  211 
  56   41   43   58   31   60   35   18   54   51   51   70   52   60   51   29 
 212  213  214  215  216  217  218  219  220  221  222  223  224  225  226  227 
  38   47   32    9   31   36   35   41    4   22   23   42   59   63   60   11 
 228  229  230  231  232  233  234  235  236  237  238  239  240  241  242  243 
  55   35   36   64   36   30   24   60   64   46   37   23   51   56   23   33 
 244  245  246  247  248  249  250  251  252  253  254  256  258  259  260  261 
  46   34   56   47   52   24   12   27   40   59   38   48   64   32   25   23 
 262  263  264  265  266  267  268  269  270  271  272  274  275  276  277  278 
  46   23   27   16   31   41   34   13   41   24   24   27   29   25   47    8 
 279  280  281  282  283  284  285  286  287  288  289  290  291  292  293  294 
  41   52   48   35   32   35   86   23   16   19   32   40    9   21   47   42 
 295  296  297  298  299  300  301  302  303  304  305  307  308  309  310  311 
  26   59   46   45   31   26   39   43   36   55   57   30   61   52   31   38 
 312  313  314  315  316  317  318  319  320  321  322  323  324  325  326  327 
  39   37   63   42   26   50   22   28   32   32   30   42   39   71   36   23 
 328  329  330  331  332  333  334  335  336  337  338  339  340  341  342  343 
  45   89   31   41   35   32   43   39   40   31   44   36   55   56   12   52 
 344  345  346  347  348  349  350  351  352  353  354  357  358  359  360  361 
  53   41   25   25   34   41   31   32   36   40   13   24   21   22   23   48 
 362  363  364  365  366  367  368  369  370  372  373  374  375  376  377  378 
  30   34   34   72   32   53   11   35   39   34   58   25   27   65   38   25 
 379  380  381  382  383  384  385  386  387  388  389  390  391  392  393  394 
  36   59   19   26   43   34   55   25   37   21   50   45   63   52   39   12 
 395  396  397  398  399  400  401  402  403  404  405  406  407  408  409  410 
  30   31   43   35   50   45   48   39   15   28   18   22   20   34   37   25 
 411  412  413  414  415  417  418  419  420  421  424  425  426  427  428  429 
  49   30   35   57   77   45   36   21   23   22   54   34   46   44   16   26 
 430  431  432  433  434  435  436  437  438  439  440  441  442  443  444  445 
  40   46   25   48   31   22   11   41   49   39   28   22   34   17   31   18 
 446  447  448  449  450  451  452  453  454  455  456  457  458  459  460  461 
  31   61   49   53   39   73   41   29   26   17   23   22   47   33   32   38 
 462  463  464  465  466  467  468  469  470  471  472  473  474  475  476  477 
  31   30   32   75   36   26   37   27   17   49   58   76   13   34   30   29 
 478  479  480  481  482  483  484  485  486  487  488  489  490  491  492  493 
  25   21   29   51   49   21   26   38   25   49   40   26   49   44   39   34 
 494  495  496  497  498  499  502  503  504  505  506  507  508  510  511  512 
  47   39   31   28   12   24   41   19   17   29   32   30   48   25   33   34 
 513  514  515  516  517  518  519  520  521  522  523  524  525  526  527  528 
  32   40   32   34   49   20   20   42   54   67   28   35   39   31   35   36 
 529  530  531  532  533  534  535  536  537  538  539  540  541  542  543  544 
  33   20   23   25   35   19   32   37   27   50   32   35   20   41   25   47 
 545  546  547  548  549  550  551  553  554  555  556  557  558  560  561  562 
  34   50   24   45   51   55   99   46   21   29   35   57   27   32   41   47 
 563  565  566  567  568  569  570  571  572  573  574  575  576  577  578  579 
  51   31   16   37   24   17   16   33   35   39   41   28   38   41   26   43 
 580  581  582  583  584  585  586  587  588  589  590  591  592  593  594  595 
  25   30   37   28   30   45   52    8   60   45   15   25   54   55   21   26 
 596  598  599  600  602  603  605  606  607  608  609  610  611  612  613  614 
  18   17   26   43   29   23   33   39   58   32   45   45   49   40   18   21 
 615  616  618  619  620  621  622  623  624  625  626  627  628  629  630  631 
  24   23   34   31   29   33   30   50   24   41   52   24   30   27   41   47 
 632  633  634  635  636  637  638  639  640  641  642  643  644  645  646  647 
  21   41   20   25   41   27   29   46   30   28   41   26   48   67   58   31 
 648  649  650  651  653  655  656  657  658  659  660  661  662  663  665  666 
  40   33   52  207   27   29   47   63   72   54   65   42   46   40   32   34 
 667  669  670  671  672  673  674  675  676  677  678  679  680  681  682  683 
  25   48   53   24   64   35   41   36   43   27   43   49   21   27   20   26 
 684  685  686  687  688  689  690  691  692  693  694  695  696  697  698  699 
  33   12   40   24   37   31   24   35   34   17   13   71   45   27   35   32 
 700  701  704  705  706  707  708  709  710  711  712  713  715  716  717  718 
  57  107   36   74   35   45   51   47   34   28   41   59   48   96   29   15 
 719  720  721  722  723  724  725  726  727  728  729  730  731  732  733  734 
  38   22   37   46    9   24   42   21   41   49   30   30   44   40   32   24 
 735  736  737  738  739  740  741  742  744  745  746  747  748  749  750  751 
  21   36   29   54   49   43   38   28   55   52   52   48   34   60   37  119 
 752  754  755  756  757  758  759  760  762  763  764  765  766  767  768  769 
  97   46   68   18   43   87   78   23   52   41   15   34   33   53   22   85 
 771  772  773  774  775  776  777  778  779  780  781  782  783  784  785  786 
  30   27   43   54   55   29   36   37   48   45   47   54   27   17   21   40 
 787  789  790  791  792  797  798  799  800  801  802  804  805  806  807  808 
  20   31   30   57   14   38   45   36   56  130  115   64   40   23   30   50 
 809  811  812  813  814  815  816  817  818  819  821  823  824  825  826  827 
  48   25   65   29   34   65   48   60   37   56   36   37   57   42   48   25 
 828  829  830  831  832  833  834  835  836  837  838  839  841  842  843  844 
  54   43   25   35   29   33   32   26   54   39   50   19   48   37   32   24 
 845  846  847  848  849  850  851  853  855  856  857  858  859  860  861  862 
  56   28   59   52   33   74  143   89   46   39   48   31   39   26   43   25 
 863  864  865  866  867  868  869  870  872  873  874  875  876  877  878  879 
  23   31   35   55   68   31   24   81   41   42   30   31   27   43   40   59 
 880  881  882  883  884  885  886  887  888  889  890  891  892  893  894  895 
  33   17   60   41   31   38   27   48   39   28   58   20   51   29   36   58 
 897  898  899  900  901  904  905  906  907  908  909  910  911  912  914  915 
  58   52   73   45  111   52   30   50   52   60   30   47   35   21   33   65 
 916  917  918  919  920  921  922  923  924  925  926  927  928  929  930  931 
  73   48   73   40   62   22   35   45   32   37   33   45   45   37   44   43 
 932  933  934  935  936  937  938  939  940  941  942  943  944  946  947  948 
  77   41   36   27   37   48   30   67   61   80   51   42   68   39   66   43 
 949  950  951  953  954  955  956  957  958  959  960  961  962  963  964  965 
  70   30   80   60   46   44   35   97   34   19   64   39   48   64   19   33 
 966  967  968  969  970  972  973  974  975  976  977  978  979  980  981  982 
  64   76   42   57   38   25   23   22   23   25   42   39   50   40   65   45 
 983  984  985  987  988  989  990  991  992  993  995  996  997  998  999 1000 
  66   38   14   59   33   30   61   59   57   38   47   36   67   49   66   39 
1002 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 
  49   44   57   84   51   38   47   47   33   33   31   32   15   47   55   38 
1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1033 1034 1035 
  58   23   33   21   37   53   31   36   37   41   28   18   30   36   26   47 
1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 
  33   37   40   45   49   63   50   31   34   29   76   49   26   40   22   42 
1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1065 1066 1067 1068 
  65   69   37   43   73   45   26   63   44   39   52   44   25   29   32   40 
1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1084 1085 
  33   32   31   37   25   48   21   62   27   54   46   65   29   20   65   26 
1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1101 1102 1103 1105 
  57   19   38   29   48   30   60   38   46   75   36   34   54   36   36   84 
1106 1107 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 
  51   24   43   42   68   31   42   13    8   42   52   41   51   51   30   40 
1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 
  65   35   61   51   21   48   46   17   67   64   29   31   39   39   33   28 
1139 1140 1141 1142 1143 1144 1145 1146 1148 1149 1150 1151 1152 1153 1154 1155 
  29   35   33   34   18   45   25   22   58   27   42   23    8   48   41   14 
1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1174 
  52   64   20   55   49   42   40   33   21   38   66   60   67   43   32   38 
1175 1176 1177 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1192 1193 
  31   43   54   53   53   66   49   41   53   33   32   13   22   18   23   40 
1194 1195 1196 1198 1199 1200 1201 1202 1203 1204 1205 1206 1211 1212 1213 1214 
  47   69   32   59   28   64   61   23   51   41   52   26   23   36   24   39 
1216 1217 1218 1219 1220 1221 1222 1228 1229 1237 1238 1239 1240 1241 1242 1243 
  20   33   54   31   56   42   64   63   47   15   34   61   46   54   39   57 
1244 1245 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1261 
  42   19   55   11   17   28   50   25   49   49   28   48   26   40   53   50 
1262 1263 1264 1265 1266 1267 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 
  51   38   20   54   39   41   62   57   51   19   56   46   20   54   41   51 
1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1298 1299 1300 
  56   27   48    6   26   34   35   40   48   49   45   24   31   35   33   39 
1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 
  22   50   34   67   38   53   42   66   23   47   30   59   16   43   39   58 
1317 1318 1320 1321 1322 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 
  65   54   88   29   42   42   49   38   32   23   20   53   21   23   74   44 
1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1347 1348 1349 1350 1351 
  57   15   34   54   29   20   31   47   43   40   22   28   42   49   42   72 
1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 
  45   36   54   56   29   21   74   28   45   39   47   46   50   31   35   69 
1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 
  29   68   59   43   50   56   38   30   38   19   50   36   21   22   60   23 
1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1397 1398 1399 1400 
  51   53   33   46   39   52   27   41   45   49   28   25   53   56   32   44 
1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 
  85   47   40   45   44   36   67   26   56   45   22   44   47   38   37   46 
1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 
  53   48   40   44   54   56   33   37   34   34   46   34   42   13   21   41 
1434 1435 1437 1439 1440 1441 1442 1443 1444 1446 1447 1448 1449 1450 1451 1452 
  41   44   41   24   31   40   29   60   28   51   24   57   44   36   69   44 
1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 
  28   37   43   39   19   65   46   21   50   34   48   31   54   50   47   53 
1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 
   6   48   53   52   49   14   34   35   34   18   41   39   41   64   53   45 
1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1497 1498 1499 1500 1501 
  32   60   20   25   38   33   31   27   46   29   50   85   22   74   50   37 
1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 
  42   41   39   28   28   47   64   36   65   46   35   56   34   47   49   41 
1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 
  53   58   49   47   42   30   38   31   39   30   34   49   18   42   35   28 
1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 
  40   32   48   27   42   46   28   45   38   36   37   22   31   41   33   12 
1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 
  35   37   47   38   40   22   76   40   64   47   34   58   53   42   31   53 
1566 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 
  37   43   71   50   39   38   22   46   26   46   29   68   11   37   25   47 
1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1597 1598 1599 
  27   42   41   26   41   42   31   36   45   40   50   71   27   52   18   50 
1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 
  26   17   49   23   33   77   26   47   26   49   34   45   44   36   30   49 
1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 
  52   49   48   59   46   38   42   29   30   32   45   38   55   25   29   47 
1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1647 1648 
  68   88   63   59   31   28   14   49   68   23   66   58   25   41   58   25 
1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 
  57   33   57   46   71   24   37   33   62   83   55   62   33   22   28   34 
1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 
  60   48   32   29   50   39   55   29   33   47   24   19   30   16   32   33 
1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 
  75   21   54   24   38   32   28   20   23   48   34   21   60   45   50   43 
1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 
  58   13   37   46   39   28   29   22   75   47   70   46   31   31   35   35 
1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 
  51   77   21   45   67   36   28   52   45   20   51   47   24   28   25   40 
1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 
  33   56   17   69   53   48   36   20   53   36   14   10   50   46   41   44 
1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 
  51   16   61   41   19   30   34   14   35   28   28   66   37   46   36   53 
1763 1764 1765 1767 1768 1769 1770 1771 1772 1773 1775 1776 1777 1778 1779 1780 
  35   54   26   45   71   80   31   56   41   45   24   30   40   33   39   45 
1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 
  48   60   24   23   34   39   21   47   34   55   32   19   46   59   18   52 
1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 
  22   35   53   48   47   31   54   18   49   37   60   53   45   40   37   39 
1814 1815 1816 1817 1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 
  70   49   40   45   73   42   43   78   51   18   33   20   19   69   25   71 
1830 1831 1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 
  29   44   26   34   15   52   25   40    6   30   48   27   49   40   38   35 
1846 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860 1861 1862 
  32   32   12    7   37   85   38   60   49   17   24   56   62   36   48   39 
1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 
  47   37   41   25   29   52   77   46   63   58   30   39   49   27   25   60 
1879 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 
  14   43   31   69    6   24   44   35   48   55   33   55   37   59   46   42 
1895 1896 1898 1899 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 
  56   47   22    6   71   53   59   45   46   35   53   25   62   24   45   45 
1913 1914 1915 1916 1917 1918 1919 1921 1922 1923 1924 1925 1926 1927 1928 1929 
  44   46   58   54   54   45   45   32   20   34   39   45   33   51   41   43 
1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1947 
  70   30   60   50   38   59   28   37   42    9   43   38   53   50   43   41 
1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1963 1964 
  47   55   40   40   49   51   51   40   45   42   46   29   48   42   37   34 
1965 1967 1968 1969 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 
  40   35   38   32   80   26   46   30   28   28   30   30   29   69   62   28 
1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1996 1997 1998 2000 2001 
  59   85   30   36   46   50   43   30   36   66   66   45   42   43   55   39 
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2013 2014 2015 2016 2017 2018 
  54   34   50   42   69   39   43   45   24   63   47   68   68   40   52   57 
2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 
  66   45   33   29   37   22   41   19   24   31   57   63   49   51   51   51 
2035 2036 2037 2038 2039 2040 2041 2042 2044 2045 2046 2047 2048 2049 2050 2051 
  37   36   30   18   36   29   45   57   59   30   84   43   24   52   50   46 
2052 2053 2054 2055 2056 2057 2058 2059 2060 2061 2063 2064 2065 2066 2067 2068 
  35   37   45   55   40   28   41   46   48   34   51   18   30   51   54   55 
2069 2070 2071 2072 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 
  31   48   44   56   33   30   35   28   33   40   22   22   47   49   67   60 
2086 2087 2088 2089 2090 2091 2092 2094 2095 2096 2097 2098 2099 2100 2101 2102 
  46   28   39   39   23   28   53   47   33   44   23   51    3   61   37   66 
2103 2104 2105 2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 
  29   45   31   56   25   19   60   22   52   26   51   35   18   44   60   52 
2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 
  28   66   45   34   52   30   30   37    9   66    9   66   82   26   44   53 
2135 2136 2137 2138 2139 2140 2141 2143 2144 2145 2146 2147 2148 2149 2150 2151 
  30   29   36   29   24   53   47   23   44   26   56   33   42   55   32   59 
2152 2153 2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 
  34   37   25   48   34   50   37   34   34   67   30   29   21   23   26   60 
2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 
  42   38   28   47   26   28   45   32   51   40   42   29   48   50   40   50 
2184 2185 2186 2187 2188 2189 2190 2191 2192 2194 2195 2196 2197 2198 2200 2201 
  35   42   29   69   49   31   22   55   70   34   25   25   26   57   71   45 
2202 2203 2204 2205 2206 2207 2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 
  24   36   42   29   34   31   30   39   59   52   45   24   53   29   30   17 
2218 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234 
  28   58   32   48   55   42   23   59   49   48   45   54   16   45   34   34 
2235 2236 2237 2238 2239 2240 2241 2243 2244 2245 2246 2247 2248 2249 2250 2251 
  38   62   33   26   51   17   58   57   39   22   68   39   38   35   35   27 
2252 2253 2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265 2267 2268 
  50   44   33   33   35   32   32   50   68   61   34   39   38   58   35   53 
2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283 2284 2285 
  34   26   45   64   28   32   45   29   71   31   24   56   43   30   30   15 
2286 2287 2288 2289 2290 2291 2292 2294 2295 2296 2297 2298 2299 2300 2301 2302 
  36   51   35   36   47   12   44   20   32   46   26   56   17   49   25   43 
2303 2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2314 2316 2317 2318 2319 
  52   38   37   46   17   35   36   23   38   58   42   23   52   24   36   44 
2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333 2334 2335 
  40   32   44   35   38   42   47   60   41   54   13   35   36   23   33   28 
2336 2337 2338 2339 2341 2343 2344 2345 2346 2347 2348 2349 2350 2351 2352 2353 
  33   31   43   31   47   42   54   47   53   63   11   75   47   22   35   20 
2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366 2367 2368 2369 
  52   49   32   24   32   38   65   58   50   51   30   60   37   37   43   54 
2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384 2385 
  37   29   49   53   30   50   37   50   64   55   56    8   38   29   12   64 
2386 2387 2388 2389 2390 2391 2392 2393 2394 2395 2396 2397 2398 2400 2401 2402 
  24   29   34   41   30   20   30    1   60   28   20   70   44   66   51   20 
2403 2404 2405 2406 2407 2408 2409 2410 2411 2412 2413 2414 2415 2416 2417 2418 
  24   30   31   30   43   37   47   48   47   37   59   60   30   50   38   29 
2419 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433 2434 
  49   23   44   36   30   48   12   42   56   61   35   55   46   50   32   37 
2435 2436 2437 2438 2439 2440 2441 2443 2444 2445 2446 2447 2448 2449 2450 2451 
  45   54   72   13   18   20   20   51   56   20   27   54   45   55   64   14 
2452 2453 2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 
  42   58   34   45   23   29   57   32   55   45   46   48   12   12   35   42 
2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 
  10   33   15   22   30   43   35   18   31   38   63   41   43   55   73   47 
2484 2485 2486 2487 2488 2489 2490 2491 2492 2494 2495 2496 2497 2498 2499 2500 
  52   22   77   41   50   42   25   24   45   34   71   58   45   53    7   54 

Comprobación de nodos vacíos:

dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
  print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos:  2336 / 2500"

Mapa de distancia entre vecinos

plot(model, type="dist.neighbours", shape = "straight")

Influencia de las variables

model_colnames = c("fecha_cnt", "tmax", "tmin", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)

Mapa de variables.

plot(model, shape = "straight")

Mapa de calor por variable

par(mfrow=c(3,4))
for (j in 1:model_ncol) {
  plot(model, type="property", property=getCodes(model,1)[,j],
    palette.name=mpr.coolBlueHotRed,
    main=model_colnames[j],
    cex=0.5, shape = "straight")
}

Correlación para cada columna del vector de nodos

if (!empty_nodes) {
  cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
  print(cor)
}

Representación de cada variable en un mapa de factores:

if (!empty_nodes) {
  par(mfrow=c(1,1))
  plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
  lines(c(-1,1),c(0,0))
  lines(c(0,0),c(-1,1))
  text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
  symbols(0,0,circles=1,inches=F,add=T)
}

Importancia de cada variable - varianza ponderada por el tamaño de la celda:

if (!empty_nodes) {
  sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
     {m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
     effectif=nb))
  print(sort(sigma2,decreasing=T))
}

Clustering

if (!empty_nodes) {
  hac <- mpr.hac(model, nb)
}

Visualización de 3 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=3)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=3)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

Visualización de 4 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=4)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=4)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

Visualización de 5 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=5)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=5)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

Visualización de 6 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=6)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=6)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

Visualización de 8 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=8)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=8)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)

Visualización de 10 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=10)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=10)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)
  df.cluster09 <- subset(df, cluster==9)
  df.cluster10 <- subset(df, cluster==10)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
  df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
  df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)
---
title: "Análisis de modelos SOM - Frecuencia datos de entrada: mes"
output: html_notebook
---

# Modelo

* ID: 280
* Descripción: 
* Frecuencia: mes
* Variables: fecha_cnt, tmax, tmin, longitud, latitud, altitud
* Dimensiones del mapa: 50,50
* Iteraciones: 10000
* Parámetros adicionales: 

```{r}
source("../../lib/som-utils.R")
source("../../lib/maps-utils.R")
```

# Carga del modelo desde disco

```{r}
mpr.set_base_path_analysis()
model <- mpr.load_model("som-280.rds.xz")
summary(model)
```

```{r}
plot(model, type="changes")
```

# Carga del dataset de entrada

```{r}
df <- mpr.load_data("datos_mes.csv.xz")
```

```{r}
df
```

```{r}
summary(df)
```

# Carga de los mapas

```{r}
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
```

# Mapa de densidad

```{r}
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
```

Número de elementos en cada celda:

```{r}
nb <- table(model$unit.classif)
print(nb)
```
Comprobación de nodos vacíos:

```{r}
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
  print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
```

# Mapa de distancia entre vecinos

```{r}
plot(model, type="dist.neighbours", shape = "straight")
```

# Influencia de las variables

```{r}
model_colnames = c("fecha_cnt", "tmax", "tmin", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
```

## Mapa de variables.

```{r}
plot(model, shape = "straight")
```

## Mapa de calor por variable

```{r}
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
  plot(model, type="property", property=getCodes(model,1)[,j],
    palette.name=mpr.coolBlueHotRed,
    main=model_colnames[j],
    cex=0.5, shape = "straight")
}
```

## Correlación para cada columna del vector de nodos

```{r}
if (!empty_nodes) {
  cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
  print(cor)
}
```

Representación de cada variable en un mapa de factores:

```{r}
if (!empty_nodes) {
  par(mfrow=c(1,1))
  plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
  lines(c(-1,1),c(0,0))
  lines(c(0,0),c(-1,1))
  text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
  symbols(0,0,circles=1,inches=F,add=T)
}
```

Importancia de cada variable - varianza ponderada por el tamaño de la celda:

```{r}
if (!empty_nodes) {
  sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
     {m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
     effectif=nb))
  print(sort(sigma2,decreasing=T))
}
```

# Clustering

```{r}
if (!empty_nodes) {
  hac <- mpr.hac(model, nb)
}
```

## Visualización de 3 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=3)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=3)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
```

## Visualización de 4 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=4)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=4)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
```

## Visualización de 5 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=5)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=5)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
```

## Visualización de 6 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=6)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=6)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
```

## Visualización de 8 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=8)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=8)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
```

## Visualización de 10 clústeres:

```{r}
if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=10)
}
```

### Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

```{r}
if (!empty_nodes) {
  groups <- cutree(hac, k=10)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}
```

### Análisis de las observaciones de cada cluster

```{r}
if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}
```

Nuevos dataframes por cluster

```{r}
if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)
  df.cluster09 <- subset(df, cluster==9)
  df.cluster10 <- subset(df, cluster==10)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
```

```{r}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
```

#### Número de elementos en cada clúster

```{r}
if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
          col = "steelblue1")
}
```

#### Distribución de los datos

```{r fig.height=7}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
```

```{r fig.height=5}
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
```

### Localización geográfica de las estaciones de medida de cada cluster

```{r}
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
  df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
  df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
```

```{r}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)
```
